CN116776282A - 一种车辆驾驶算法迭代方法、装置、车辆、设备及介质 - Google Patents
一种车辆驾驶算法迭代方法、装置、车辆、设备及介质 Download PDFInfo
- Publication number
- CN116776282A CN116776282A CN202310771363.4A CN202310771363A CN116776282A CN 116776282 A CN116776282 A CN 116776282A CN 202310771363 A CN202310771363 A CN 202310771363A CN 116776282 A CN116776282 A CN 116776282A
- Authority
- CN
- China
- Prior art keywords
- sensor
- vehicle
- data
- driving algorithm
- configuration file
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 122
- 238000000034 method Methods 0.000 title claims abstract description 70
- 230000006854 communication Effects 0.000 claims abstract description 30
- 238000004891 communication Methods 0.000 claims abstract description 30
- 238000004806 packaging method and process Methods 0.000 claims description 16
- 238000007405 data analysis Methods 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 7
- 238000011835 investigation Methods 0.000 claims description 3
- 230000006978 adaptation Effects 0.000 abstract description 10
- 230000008569 process Effects 0.000 description 13
- 230000008859 change Effects 0.000 description 9
- 230000004927 fusion Effects 0.000 description 6
- 238000011161 development Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000013439 planning Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000007499 fusion processing Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007175 bidirectional communication Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000000586 desensitisation Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012856 packing Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种车辆驾驶算法迭代方法、装置、车辆、设备及介质,利用一套软件程序实现不同车型上传感器类型和不同通信方式的快速适配,并且高效利用传感器数据驱动智能驾驶汽车的驾驶算法的应用迭代更新。该车辆驾驶算法迭代方法,所述方法包括:基于传感器配置文件,获取车端需求的传感器原始数据;基于传感器配置文件,将所获取到的传感器原始数据转换为统一格式的传感器抽象数据并发布;将云端需求的传感器抽象数据发送至云端;接收云端基于传感器抽象数据所更新后的驾驶算法,并进行驾驶算法迭代更新;传感器配置文件为预先基于新开发车型的传感器配置需求对已在历史车型上应用的传感器历史传感器配置文件进行传感器实例增加或减少形成。
Description
技术领域
本发明涉及智能驾驶车辆控制领域,具体为一种车辆驾驶算法迭代方法、装置、车辆、设备及介质。
背景技术
随着智能驾驶汽车的加速发展,智能驾驶的感知,决策,执行技术都得到大幅提升,由于多传感器融合方案比纯视觉方案安全性更高,逐渐成为智能驾驶主流的技术方案。如何快速稳定的适配各种汽车传感器,高效利用传感器数据进行数据标注,算法训练,模型优化,实现数据闭环,已经成为各大车厂争相竞争的核心竞争力之一。
在CN 112884942 A 发明提出一种数据记录与回放系统及其回放方法,该方法包括自动驾驶域控制器、上位机、传感器数据采集模块,其中,自动驾驶域控制器包括自适应应用层,与自适应应用层通信连接的 数据分发服务层,以及与数据分发服务层双向通信连接的通信管理模块;上位机包括数据包命令模块,与数据包命令模块通信连接的控制台,以及与数据包命令模块通信连接的数据仓库主题层;传感器数据采集模块包括激光雷达、超声波雷达、毫米波雷达、摄像头、以及导航模块。该方案并没有提出一个汽车传感器数据抽象的统一框架来适配各种类型,各种通信方式的传感器。在以往的项目开发中发现,离散的,无规则的适配各种传感器是繁杂,重复,低效的方式。
在CN 210038149 U 实用新型涉及一种车用多传感器数据采集系统,该方案包括激光雷达、工控机、多个摄像头和多个毫米波雷达,激光雷达、摄像头和毫米波雷达集中安装在一安装平台上,安装平台设置在汽车顶部;激光雷达、各摄像头和各毫米波雷达分别与工控机连接,工控机还和汽车的CAN总线连接。激光雷达安装在安装平台中心处;多个摄像头均布在激光雷达四周的安装平台上;多个毫米波雷达包括一个前向毫米波雷达和多个角毫米波雷达,安装在安装平台的四周边缘处。该方案主要侧重于传感器的结构安装设计,涉及的传感器和通信方式相对固定不灵活,已经不适用于当今软硬件快速迭代的时代。
发明内容
本发明提供了一种车辆驾驶算法迭代方法、装置、车辆、设备及介质,利用一套软件程序实现不同车型上传感器类型和不同通信方式的快速适配,并且高效利用传感器数据驱动智能驾驶汽车的驾驶算法的应用迭代更新。
本发明的技术方案为:
本发明实施例提供了一种车辆驾驶算法迭代方法,所述方法包括:
基于传感器配置文件,获取车端需求的传感器原始数据;
基于传感器配置文件,将所获取到的传感器原始数据转换为统一格式的传感器抽象数据并发布;
将云端需求的传感器抽象数据发送至云端;
接收云端基于传感器抽象数据所更新后的驾驶算法,并进行驾驶算法迭代更新;
传感器配置文件为预先基于新开发车型的传感器配置需求对已在历史车型上应用的传感器历史传感器配置文件进行传感器实例增加或减少形成。
更进一步的,在基于传感器配置文件,获取车端需求的传感器原始数据的步骤之前,所述方法还包括:
获取在云端已完成传感器信息配置的传感器配置文件;
基于所述传感器配置文件,在车端进行传感器配置加载。
更进一步的,传感器配置文件中包括:
传感器实例类型和个数,各传感器实例的数据接收通信方式、数据解析方式、数据打包方式、订阅topic、发布topic以及topic发布周期。
更进一步的,基于所述传感器配置文件,在车端进行传感器配置加载的步骤包括:
基于传感器配置文件,识别待加载的传感器实例;
针对每一待加载的传感器实例,进行初始化通信接口、初始化订阅topic、初始化发布topic操作。
更进一步的,基于传感器配置文件,获取车端需求的传感器原始数据的步骤包括:
按照所述传感器配置文件中记录的订阅topic和数据接收通信方式,从对应的数据接口接收与订阅topic相匹配的传感器初始数据。
更进一步的,基于传感器配置文件,将所获取到的传感器原始数据转换为统一格式的传感器抽象数据并发布的步骤包括:
按照所述传感器配置文件中记录的数据解析方式对传感器初始数据进行数据解析;
对解析后的传感器初始数据按照所述传感器配置文件中记录的数据打包方式打包为统一格式的传感器抽象数据;
按照所述传感器配置文件中记录的发布topic和topic发布周期进行传感器抽象数据发布。
更进一步的,驾驶算法迭代更新后,所述方法还包括:
获取车端需求的传感器抽象数据;
基于车端需求的传感器抽象数据,利用迭代更新后的驾驶算法生成车辆控制指令。
更进一步的,所述方法还包括:
接收云端基于传感器抽象数据生成的数据回灌文件;
将所述数据回灌文件生输入未进行迭代更新的驾驶算法,生成供测试人员进行问题排查的控车测试指令。
更进一步的,传感器为:
温度传感器、整车信息、毫米波雷达、超声波雷达、激光雷达、环视摄像头、周视摄像头、后视摄像头、前视摄像头和惯性导航中的一个或多个。
更进一步的,传感器配置文件中记录的数据接收通信方式中涉及的数据接口为:mipi接口、lvds接口、rgb接口、spi接口、eht接口、can接口、i2c接口和uart接口中的一个或多个。
更进一步的,通过车辆搭载的OTA模块接收云端基于传感器抽象数据所更新后的驾驶算法。
本发明实施例还提供一种车辆驾驶算法迭代装置,所述装置包括:
传感器数据处理中心模块,其用于:基于传感器配置文件,获取车端需求的传感器原始数据;基于传感器配置文件,将所获取到的传感器原始数据转换为统一格式的传感器抽象数据并发布;将云端需求的传感器抽象数据发送至云端;
驾驶算法应用模块,其用于:接收云端基于传感器抽象数据所更新后的驾驶算法,并进行驾驶算法迭代更新;
传感器配置文件为预先基于新开发车型的传感器配置需求对已在历史车型上应用的传感器历史传感器配置文件进行传感器实例增加或减少形成。
更进一步的,所述装置包括:
传感器数据处理中心模块还用于:
获取在云端已完成传感器信息配置的传感器配置文件;
基于所述传感器配置文件,在车端进行传感器配置加载。
更进一步的,驾驶算法应用模块还用于:
获取车端需求的传感器抽象数据;
基于车端需求的传感器抽象数据,利用迭代更新后的驾驶算法生成车辆控制指令。
本发明实施例还提供了一种车辆,包括上述的车辆驾驶算法迭代装置。
本发明实施例还提供了一种控制设备,包括处理器,存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令,所述程序或指令被所述处理器执行时实现如上述的车辆驾驶算法迭代方法的步骤。
本发明实施例还提供了一种可读存储介质,所述可读存储介质上存储程序或指令,所述程序或指令被处理器执行时实现如上述的车辆驾驶算法迭代方法的步骤。
本发明的有益效果为:
通过利用传感器配置文件将需求的车辆的实车传感器所采集到的真实数据传递至云端,供云端按照已有的算法更新方式对搭载在车辆上的当前版本驾驶算法做算法更新,再按照云端更新后的驾驶算法对本地存储的驾驶算法做同步更新。对于一款新研发车型来说,尤其是针对有做传感器硬件更改的同一款车型的新老版本或高低配版本,只需要结合新开发车型的传感器硬件信息做传感器配置文件更新,新开发车型就可以利用老车型既有的软件程序去执行车辆控制,对传感器硬件的适配度高,对软件程序的改动小,软件程序的可移植性高,及其适用当今软硬件快速迭代的需求;此外,由于利用了车辆的实车传感器所采集到的真实数据做驾驶算法更新,实现了汽车传感器数据闭环,因而提升了驾驶算法的迭代效率和质量。
附图说明
下面对本发明说明书中每幅附图表达的内容作简要说明:
图1为本发明第一实施例的方法流程图;
图2为本发明第一实施例的方法详细流程图;
图3为本发明第二实施例的方法流程图;
图4为本发明第二实施例中步骤S202的具体流程图;
图5为本发明第三实施例中的方法流程图;
图6为本发明第四实施例中的方法流程图;
图7为本发明第五实施例中的汽车传感器数据抽象架构的整体方案架构图;
图8为本发明第五实施例中的汽车传感器抽象架构利用汽车传感器数据驱动驾驶算法应用迭代的数据流转图。
具体实施方式
以下将参照附图和优选实施例来说明本发明的实施方式,本领域技术人员可由本说明书中所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。应当理解,优选实施例仅为了说明本发明,而不是为了限制本发明的保护范围。
需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
如图1所示,本发明第一实施例中,提供了一种车辆驾驶算法迭代方法,该方法主要是利用传感器配置文件将需求的车辆的实车传感器所采集到的真实数据传递至云端,供云端按照已有的算法更新方式对搭载在车辆上的当前版本驾驶算法做算法更新,再按照云端更新后的驾驶算法对本地存储的驾驶算法做同步更新。对于一款新研发车型来说,尤其是针对有做传感器硬件更改的同一款车型的新老版本或高低配版本,只需要结合新开发车型的传感器硬件信息做传感器配置文件更新,新开发车型就可以利用老车型既有的软件程序去执行车辆控制,对传感器硬件的适配度高,对软件程序的改动小,软件程序的可移植性高,及其适用当今软硬件快速迭代的需求;此外,由于利用了车辆的实车传感器所采集到的真实数据做驾驶算法更新,实现了汽车传感器数据闭环,因而提升了驾驶算法的迭代效率和质量。
具体来说,在本发明第一实施例中,该方法具体包括:
步骤S101,基于传感器配置文件,获取车端需求的传感器原始数据;
步骤S102,基于传感器配置文件,将所获取到的传感器原始数据转换为统一格式的传感器抽象数据并发布;
步骤S103,将云端需求的传感器抽象数据发送至云端;
步骤S104,接收云端基于传感器抽象数据所更新后的驾驶算法,并进行驾驶算法迭代更新。
在步骤S101中,传感器原始数据是指在车辆上待在的实车传感器所采集的真实数据。
传感器配置文件为预先基于新开发车型的传感器配置需求对已在历史车型上应用的传感器历史传感器配置文件进行传感器实例增加或减少形成。
历史车型和新开发车型的关系可以是同一平台的老车型和新车型,也可以是同一平台同一车型的高低版本;也可以是不同平台的两款车型。
在该传感器配置文件中,记录有:
传感器实例类型和个数,各传感器实例的数据接收通信方式、数据解析方式、数据打包方式、订阅topic、发布topic以及topic发布周期。
结合图6,本第一实施例中,支持的传感器实例类型至少可以为:温度传感器、整车信息、毫米波雷达、超声波雷达、激光雷达、环视摄像头、周视摄像头、后视摄像头、前视摄像头和/或惯性导航,具体采用哪些传感器,是基于新开发车型的实际配置需求做设计。传感器配置文件中记录的数据接收通信方式中涉及的数据接口可以为:mipi接口、lvds接口、rgb接口、spi、eht接口、can接口、i2c接口uart接口中的一个或多个。例如,利用can接口对整车信息做获取,利用i2c接口对毫米波雷达,超声波雷达的数据做获取。具体采用哪些接口,是基于新开发车型的实际配置需求做设计。
其中,传感器实例的个数由研发人员根据新开发车型上所搭载的传感器类型对历史传感器配置文件做传感器实例增减,同时,针对同一传感器实例来说,其在新老车型上所适配的数据接收通信方式、数据类型均可能发生变化,也需要研发人员基于新开发车型的实际情况对已编辑好的传感器实例的具体信息做更新处理。
如图2,在步骤S101中,具体包括步骤S1011:按照传感器配置文件中记录的订阅topic和数据接收通信方式,从对应的数据接口接收与订阅topic相匹配的传感器初始数据。
如图2,在步骤S102中的过程实现了将不同传感器类型的数据解析打包成云端可识别的信息。该步骤S102的过程具体包括:
步骤S1021,按照所述传感器配置文件中记录的数据解析方式对传感器初始数据进行数据解析;
步骤S1022,对解析后的传感器初始数据按照所述传感器配置文件中记录的数据打包方式打包为统一格式的传感器抽象数据;
步骤S1023,按照所述传感器配置文件中记录的发布topic和topic发布周期进行传感器抽象数据发布。
在步骤S103中,云端需求的传感器抽象数据也是由云端所订阅的传感器topic所确定的。对于云端来说,会利用现有技术对传感器抽象数据进行数据标注(具体实现过程利用现有技术来实现),场景提取(具体实现过程利用现有技术来实现),数据分析(具体实现过程利用现有技术来实现),算法训练(具体实现过程利用现有技术来实现),测试验证(具体实现过程利用现有技术来实现),得到更新后的驾驶算法版本。
在步骤S1022进行数据打包的过程,即可实现对齐各个传感器数据的时间,便于后续驾驶算法应用模块基于时间同步的前提下,进行数据融合处理。
在步骤S104中,通过车辆搭载的OTA模块接收云端基于传感器抽象数据所更新后的驾驶算法。
本发明第一实施例利用上述处理流程,仅对传感器配置文件做更新,即可适配开发车型上的传感器硬件配置(包括不限于温度传感器,整车信息(整车信息是通过一个接口进行获取的,此处抽象理解为一个传感器),毫米波雷达,超声波雷达,激光雷达,环视摄像头,周视摄像头,后视摄像头,前视摄像头,惯性导航等等),可以复用原有车型的应用程序,提升传感器开发适配效率;利用传感器配置文件去读取新开发车型的传感器数据,并进行数据解析与打包,实现对新开发车型的驾驶算法应用更新。该方法支持各种通信接口来获取各种传感器的原始数据,通信接口包括不限于mipi接口,lvds接口,rgb接口,spi接口,uart接口,can/can_fd接口,i2c接口,udp接口,tcp接口,someip接口,mqtt接口,dds接口等等。云端可以通过OTA通道更新车端的传感器配置文件,实现传感器通信接口的在线修改。具有通信接口可拓展,更新快捷的特点。云端可以通过OTA通道更新车端的传感器配置文件,改变车端实例化传感器的数量和类型,改变传感器实例发布订阅的topic内容,配置灵活多样。此外,该方法可以将实车的传感器数据实时上传到云端,在云端进行数据标注,提取场景,算法训练,优化模型,优化算法,最终通过OTA通道更新实车的驾驶算法,实现汽车传感器数据闭环,提升驾驶算法的迭代效率和质量。
如图3,本发明第二实施例中同样提供了一种车辆驾驶算法迭代方法,该第二实施例同第一发明实施例相比,主要是增加了传感器加载的过程。其中,图2中的步骤S203至S206的具体过程同前一实施例中的S101至S104的具体过程一致。如图3,该方法具体包括:
步骤S201,获取在云端已完成传感器信息配置的传感器配置文件;
步骤S202,基于所述传感器配置文件,在车端进行传感器配置加载;
步骤S203,基于传感器配置文件,获取车端需求的传感器原始数据;
步骤S204,基于传感器配置文件,将所获取到的传感器原始数据转换为统一格式的传感器抽象数据并发布;
步骤S205,将云端需求的传感器抽象数据发送至云端;
步骤S206,接收云端基于传感器抽象数据所更新后的驾驶算法,并进行驾驶算法迭代更新。
在步骤S201中,通过车辆的OTA通道从云端获取前述的传感器配置文件。结合图4来看,在本第二实施例中,该步骤S202的过程具体包括:
步骤S2021,读取传感器配置文件,配置文件内容包括传感器实例类型和个数,传感器实例数据接收通信方式,传感器实例数据解析方式,传感器实例数据打包方式,传感器实例订阅topic,传感器实例发布topic,以及topic发布周期。
步骤S2022,根据读取的传感器配置文件,加载传感器实例,加载对应的数据解析方式和数据打包方式。
步骤S2023,根据读取的传感器配置文件,初始化传感器实例的通信接口,用于接收实车传感器输出的原始数据。
步骤S2024,根据读取的传感器配置文件,初始化传感器实例的订阅topic,确定需要订阅接收的传感器数据类型和内容。
步骤S2025,根据读取的传感器配置文件,初始化传感器实例的发布topic,确定需要发布的抽象数据类型和内容。
步骤S2026,重复步骤S2022到步骤S2025,直至所有传感器实例加载完成。
利用该步骤S2021至步骤S2026可以实现传感器配置文件解析。
本发明上述第二实施例,即实现了第一实施例的技术效果,在此基础之上,还实现了云端配置的传感器文件如何在车端进行加载的过程。
如图5,在本发明第三实施例中,在第二实施例的基础上,增加了车端利用更新后的驾驶算法做车辆控制指令生成的过程。该步骤S301至S306的实现过程与第二实施例一致。该第三实施例中的方法具体包括:
步骤S301,获取在云端已完成传感器信息配置的传感器配置文件;
步骤S302,基于所述传感器配置文件,在车端进行传感器配置加载;
步骤S303,基于传感器配置文件,获取车端需求的传感器原始数据;
步骤S304,基于传感器配置文件,将所获取到的传感器原始数据转换为统一格式的传感器抽象数据并发布;
步骤S305,将云端需求的传感器抽象数据发送至云端;
步骤S306,接收云端基于传感器抽象数据所更新后的驾驶算法,并进行驾驶算法迭代更新;
步骤S307,获取车端需求的传感器抽象数据;
步骤S308,基于车端需求的传感器抽象数据,利用迭代更新后的驾驶算法生成车辆控制指令。在S307至S308中,驾驶域的驾驶算法应用会订阅传感器数据处理中心发布的传感器抽象数据,然后对传感器抽象数据进行多传感器数据融合(多传感器数据融合就是利用计算机科学技术将来自各个传感器或多源头的信息和数据在预定的规则下进行数学分析加上信息综合,以完成相应的决策和必要的估算而执行的信息处理过程。具体实现过程利用现有技术来实现),环境重构(具体实现过程利用现有技术来实现),预测规划(具体实现过程利用现有技术来实现),最终给车控域输出横向、纵向控车指令。
对于车辆域来说,车控域接收到驾驶域的横向、纵向控车指令,真正执行控车任务,包括车速控制,制动控制,灯光控制,转向角控制,车门车窗控制,声音控制,座椅控制等等。实现智能驾驶控车功能。
如图6,在本发明第四实施例中,提供了云端利用车端数据生成数据回灌文件,车端利用数据回灌文件做驾驶场景复现,以供远程排查问题的技术方案。该步骤S401至S408的实现过程与第三实施例一致。该第四实施例中的方法具体包括:
步骤S401,获取在云端已完成传感器信息配置的传感器配置文件;
步骤S402,基于所述传感器配置文件,在车端进行传感器配置加载;
步骤S403,基于传感器配置文件,获取车端需求的传感器原始数据;
步骤S404,基于传感器配置文件,将所获取到的传感器原始数据转换为统一格式的传感器抽象数据并发布;
步骤S405,将云端需求的传感器抽象数据发送至云端;
步骤S406,接收云端基于传感器抽象数据所更新后的驾驶算法,并进行驾驶算法迭代更新;
步骤S407,获取车端需求的传感器抽象数据;
步骤S408,基于车端需求的传感器抽象数据,利用迭代更新后的驾驶算法生成车辆控制指令。
步骤S409,接收云端基于传感器抽象数据生成的数据回灌文件;
步骤S410,将所述数据回灌文件生输入未进行迭代更新的驾驶算法,生成供测试人员进行问题排查的控车测试指令。
在需要的情况下,云端可以把数据回灌文件重新导入到车端,以还原驾驶场景生成新的横向、纵向控车指令,通过对新旧横向、纵向控车指令进行对比,分析排查智能驾驶相关问题,最后更新迭代经过测试验证的驾驶算法应用,实现驾驶场景的重现,便于驾驶问题的快速复现分析和驾驶算法应用的优化。
如图7,本发明第五实施例中,为了实现前述四个实施例的方法流程,应用到了一种汽车传感器数据抽象架构,整体方案包括五个部分,分别是云端,实车传感器,驾驶域,车控域,OTA模块。
云端主要实现数据订阅,数据分类整理,数据脱敏,数据存储,数据标注,场景提取,数据算法训练,数据分析,优化模型,优化算法,传感器配置文件更新,数据回灌文件生成等功能。
实车传感器包括不限于温度传感器,整车信息,毫米波雷达,超声波雷达,激光雷达,环视摄像头,周视摄像头,后视摄像头,前视摄像头,惯性导航等等。
驾驶域包括传感器数据处理中心,驾驶算法应用。其中传感器数据处理中心主要实现传感器配置文件解析,传感器实例加载,数据接收接口配置,数据订阅,数据解析,数据打包,传感器抽象数据发布等功能。驾驶算法应用会订阅传感器数据处理中心发布的传感器抽象数据,然后对数据进行数据融合,环境重构,预测规划,最终给车控域输出横向、纵向控车指令。
车控域接收到驾驶域的横向纵向控车指令,真正执行控车任务,包括车速控制,制动控制,灯光控制,转向角控制,车门车窗控制,声音控制,座椅控制等等。实现智能驾驶控车功能。
图8是第五实施例中的汽车传感器数据抽象架构利用汽车传感器数据驱动驾驶算法迭代的数据流转图。该过程具体包括:
第一步,车端的实车传感器通过某种既定的通信方式发送传感器原始数据。
第二步,驾驶域的传感器数据处理中心,从已经订阅的topic,接收得到多个传感器原始数据。
第三步,对多个传感器原始数据进行解析,打包,并发布传感器抽象数据。
第四步,驾驶域的驾驶算法应用订阅接收传感器抽象数据,对多个传感器抽象数据进行数据融合,环境重构,预测规划,输出横向纵向控车指令,最终车控域根据指令执行控车任务。
第五步,云端也会订阅接收传感器抽象数据,一方面,会对传感器抽象数据进行数据标注,场景提取,数据分析,算法训练,测试验证,最终通过OTA模块更新迭代驾驶应用算法和模型。另一方面,对数据脱敏,数据分类整理,生成数据回灌文件,完成数据存储。在需要的情况下,可以把数据回灌文件重新导入到传感器数据处理中心,还原驾驶场景,对控车指令进行对比,分析排查智能驾驶相关问题,最后更新迭代经过测试验证的驾驶算法应用。
该汽车传感器数据抽象框架能够实现前述四个实施例的技术效果。即:
1、这个框架可以适配各种厂家各种类型的传感器,包括不限于温度传感器,整车信息,毫米波雷达,超声波雷达,激光雷达,环视摄像头,周视摄像头,后视摄像头,前视摄像头,惯性导航等等。框架设计了传感器类,提供了传感器配置文件的配置,传感器接收,解析,打包,发布的各种方法,具有适配快,改动小,移植性高等特点。提升开发适配效率。
2、这个框架支持各种通信接口来获取各种传感器的数据,通信接口包括不限于mipi接口,lvds接口,rgb接口,spi接口,uart接口,can/can_fd接口,i2c接口,udp接口,tcp接口,someip接口,mqtt接口,dds接口等等。云端可以通过OTA通道更新车端的传感器配置文件,实现传感器通信接口的在线修改。具有通信接口可拓展,更新快捷的特点。
3、这个框架的云端可以通过OTA通道更新车端的传感器配置文件,改变车端实例化传感器的数量和类型,改变传感器实例发布订阅的topic内容,配置灵活多样。
4、这个框架可以将实车的传感器数据实时上传到云端,在云端进行数据标注,提取场景,算法训练,优化模型,优化算法,最终通过OTA通道更新实车的驾驶算法,实现汽车传感器数据闭环,提升驾驶算法的迭代效率和质量。
5、这个框架对各种传感器的各种数据进行抽象管理,将传感器抽象数据按照既定的topic协议发送给驾驶算法应用,驾驶算法应用根据传感器抽象数据进行数据融合,环境重构,预测规划,发出横向纵向控车指令。汽车传感器数据抽象框架使传感器和驾驶算法应用相对隔离,有利于平台移植复用。
6、这个框架会对齐各个传感器数据的时间,便于后续驾驶算法应用模块基于时间同步的前提下,进行数据融合处理。
7、这个框架支持回灌从云端存储的传感器数据,实现驾驶场景的重现,便于驾驶问题的快速复现分析和驾驶算法应用的优化。
将上述第五实施例总为:一种车辆驾驶算法迭代装置,所述装置包括:
传感器数据处理中心模块,其用于:基于传感器配置文件,获取车端需求的传感器原始数据;基于传感器配置文件,将所获取到的传感器原始数据转换为统一格式的传感器抽象数据并发布;将云端需求的传感器抽象数据发送至云端;
驾驶算法应用模块,其用于:接收云端基于传感器抽象数据所更新后的驾驶算法,并进行驾驶算法迭代更新;
传感器配置文件为预先基于新开发车型的传感器配置需求对已在历史车型上应用的传感器历史传感器配置文件进行传感器实例增加或减少形成。
更进一步的,所述装置包括:
传感器数据处理中心模块还用于:
获取在云端已完成传感器信息配置的传感器配置文件;
基于所述传感器配置文件,在车端进行传感器配置加载。
更进一步的,驾驶算法应用模块还用于:
获取车端需求的传感器抽象数据;
基于车端需求的传感器抽象数据,利用迭代更新后的驾驶算法生成车辆控制指令。
本发明实施例还提供了一种车辆,包括上述的车辆驾驶算法迭代装置。
本发明实施例还提供了一种控制设备,包括处理器,存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令,所述程序或指令被所述处理器执行时实现如上述的车辆驾驶算法迭代方法的步骤。
本发明实施例还提供了一种可读存储介质,所述可读存储介质上存储程序或指令,所述程序或指令被处理器执行时实现如上述的车辆驾驶算法迭代方法的步骤。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明所述原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (17)
1.一种车辆驾驶算法迭代方法,其特征在于,所述方法包括:
基于传感器配置文件,获取车端需求的传感器原始数据;
基于传感器配置文件,将所获取到的传感器原始数据转换为统一格式的传感器抽象数据并发布;
将云端需求的传感器抽象数据发送至云端;
接收云端基于传感器抽象数据所更新后的驾驶算法,并进行驾驶算法迭代更新;
传感器配置文件为预先基于新开发车型的传感器配置需求对已在历史车型上应用的传感器历史传感器配置文件进行传感器实例增加或减少形成。
2.根据权利要求1所述的车辆驾驶算法迭代方法,其特征在于,在基于传感器配置文件,获取车端需求的传感器原始数据的步骤之前,所述方法还包括:
获取在云端已完成传感器信息配置的传感器配置文件;
基于所述传感器配置文件,在车端进行传感器配置加载。
3.根据权利要求1或2所述的车辆驾驶算法迭代方法,其特征在于,传感器配置文件中包括:
传感器实例类型和个数,各传感器实例的数据接收通信方式、数据解析方式、数据打包方式、订阅topic、发布topic以及topic发布周期。
4.根据权利要求2所述的车端驾驶算法迭代方法,其特征在于,基于所述传感器配置文件,在车端进行传感器配置加载的步骤包括:
基于传感器配置文件,识别待加载的传感器实例;
针对每一待加载的传感器实例,进行初始化通信接口、初始化订阅topic、初始化发布topic操作。
5.根据权利要求1或2所述的车辆驾驶算法迭代方法,其特征在于,基于传感器配置文件,获取车端需求的传感器原始数据的步骤包括:
按照所述传感器配置文件中记录的订阅topic和数据接收通信方式,从对应的数据接口接收与订阅topic相匹配的传感器初始数据。
6.根据权利要求2或3所述的车辆驾驶算法迭代方法,其特征在于,基于传感器配置文件,将所获取到的传感器原始数据转换为统一格式的传感器抽象数据并发布的步骤包括:
按照所述传感器配置文件中记录的数据解析方式对传感器初始数据进行数据解析;
对解析后的传感器初始数据按照所述传感器配置文件中记录的数据打包方式打包为统一格式的传感器抽象数据;
按照所述传感器配置文件中记录的发布topic和topic发布周期进行传感器抽象数据发布。
7.根据权利要求1或2所述的车辆驾驶算法迭代方法,其特征在于,驾驶算法迭代更新后,所述方法还包括:
获取车端需求的传感器抽象数据;
基于车端需求的传感器抽象数据,利用迭代更新后的驾驶算法生成车辆控制指令。
8.根据权利要求1、2或7所述的车辆驾驶算法迭代方法,其特征在于,所述方法还包括:
接收云端基于传感器抽象数据生成的数据回灌文件;
将所述数据回灌文件生输入未进行迭代更新的驾驶算法,生成供测试人员进行问题排查的控车测试指令。
9. 根据权利要求1、2 、7或8所述的车辆驾驶算法迭代方法,其特征在于,传感器为:
温度传感器、整车信息、毫米波雷达、超声波雷达、激光雷达、环视摄像头、周视摄像头、后视摄像头、前视摄像头和惯性导航中的一个或多个。
10.根据权利要求3所述的车辆驾驶算法迭代方法,其特征在于,传感器配置文件中记录的数据接收通信方式中涉及的数据接口为:mipi接口、lvds接口、rgb接口、spi接口、eht接口、can接口、i2c接口和uart接口中的一个或多个。
11.根据权利要求1所述的车辆驾驶算法迭代方法,其特征在于,通过车辆搭载的OTA模块接收云端基于传感器抽象数据所更新后的驾驶算法。
12.一种车辆驾驶算法迭代装置,其特征在于,所述装置包括:
传感器数据处理中心模块,其用于:基于传感器配置文件,获取车端需求的传感器原始数据;基于传感器配置文件,将所获取到的传感器原始数据转换为统一格式的传感器抽象数据并发布;将云端需求的传感器抽象数据发送至云端;
驾驶算法应用模块,其用于:接收云端基于传感器抽象数据所更新后的驾驶算法,并进行驾驶算法迭代更新;
传感器配置文件为预先基于新开发车型的传感器配置需求对已在历史车型上应用的传感器历史传感器配置文件进行传感器实例增加或减少形成。
13.根据权利要求12所述的车辆驾驶算法迭代装置,其特征在于,所述装置包括:
传感器数据处理中心模块还用于:
获取在云端已完成传感器信息配置的传感器配置文件;
基于所述传感器配置文件,在车端进行传感器配置加载。
14.根据权利要求12或13所述的车辆驾驶算法迭代装置,其特征在于,驾驶算法应用模块还用于:
获取车端需求的传感器抽象数据;
基于车端需求的传感器抽象数据,利用迭代更新后的驾驶算法生成车辆控制指令。
15.一种车辆,其特征在于,包括权利要求11至14任一项所述的车辆驾驶算法迭代装置。
16.一种控制设备,其特征在于,包括处理器,存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令,所述程序或指令被所述处理器执行时实现如权利要求1至10任一项所述的车辆驾驶算法迭代方法的步骤。
17.一种可读存储介质,其特征在于,所述可读存储介质上存储程序或指令,所述程序或指令被处理器执行时实现如权利要求1至10任一项所述的车辆驾驶算法迭代方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310771363.4A CN116776282A (zh) | 2023-06-27 | 2023-06-27 | 一种车辆驾驶算法迭代方法、装置、车辆、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310771363.4A CN116776282A (zh) | 2023-06-27 | 2023-06-27 | 一种车辆驾驶算法迭代方法、装置、车辆、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116776282A true CN116776282A (zh) | 2023-09-19 |
Family
ID=88013073
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310771363.4A Pending CN116776282A (zh) | 2023-06-27 | 2023-06-27 | 一种车辆驾驶算法迭代方法、装置、车辆、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116776282A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117785541A (zh) * | 2024-02-27 | 2024-03-29 | 荣耀终端有限公司 | 一种数据处理方法及电子设备 |
-
2023
- 2023-06-27 CN CN202310771363.4A patent/CN116776282A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117785541A (zh) * | 2024-02-27 | 2024-03-29 | 荣耀终端有限公司 | 一种数据处理方法及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107697070B (zh) | 驾驶行为预测方法和装置、无人车 | |
US11550329B2 (en) | Neural network based vehicle dynamics model | |
CN110780608B (zh) | 仿真测试方法及装置 | |
US11427215B2 (en) | Systems and methods for generating a task offloading strategy for a vehicular edge-computing environment | |
CN112836792A (zh) | 一种神经网络模型的训练方法及装置 | |
CN116776282A (zh) | 一种车辆驾驶算法迭代方法、装置、车辆、设备及介质 | |
JP7053213B2 (ja) | 運転データ解析装置 | |
CN109407679B (zh) | 用于控制无人驾驶汽车的方法和装置 | |
CN114781635B (zh) | 模型部署方法、装置、设备和介质 | |
CN104615450A (zh) | 用于管理车辆影音导航的设备、方法及系统 | |
CN107515607A (zh) | 用于无人车的控制方法和装置 | |
WO2019047642A1 (zh) | 应用于自动驾驶汽车的控制方法和装置 | |
CN113726624A (zh) | Tbox装置采集can信号的方法和装置 | |
Mohamed et al. | Optimising multiprocessor image-based control through pipelining and parallelism | |
JP2010026845A (ja) | 車載カメラ用電子ユニットの評価システム | |
Langner et al. | Framework for using real driving data in automotive feature development and validation | |
US20210209399A1 (en) | Bounding box generation for object detection | |
Chakaravarthy et al. | Vision control unit in fully self driving vehicles using xilinx mpsoc and opensource stack | |
US20220188621A1 (en) | Generative domain adaptation in a neural network | |
US11620475B2 (en) | Domain translation network for performing image translation | |
CN111310858B (zh) | 用于生成信息的方法和装置 | |
CN115204026A (zh) | 车辆数据模型的训练方法、装置、车辆、介质和程序产品 | |
Sisbot et al. | Multi-vehicle map fusion using GNU radio | |
Lippmann et al. | Blackpearl: Extended automotive multi-ecu demonstrator platform | |
US11455763B2 (en) | Bounding box generation for object detection |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |